Gids-gekoppelde quiz · Moeilijk Niveau

Seldon Kern- en gevolggrafiekenquiz

Controleert componenten van Seldon-inferentiegrafieken, routering, aggregatie, DAG-structuur, bedieningsprotocollen en waarneembaarheidssignalen.

Gerelateerde gidspadenSeldon kern- en gevolggrafieken
Vraag 1 van 8

Wat is het bepalende kenmerk dat Seldon Core onderscheidt van een server met één model?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is het bepalende kenmerk dat Seldon Core onderscheidt van een server met één model?
    • Inferentiegrafieken die meerdere componenten aan elkaar koppelen
    • Ingebouwde modeltraining
    • Een eigen GPU-stuurprogramma
    • Automatische gegevenslabeling
  2. Welke Seldon-grafiekcomponent beslist naar welk onderliggende knooppunt een verzoek moet worden verzonden, waardoor A/B-tests mogelijk worden gemaakt?
    • Transformator
    • Router
    • Combineer
    • Model
  3. Welk componenttype verzamelt de output van meerdere modellen voor samenvoeging?
    • Router
    • Transformator
    • Combineer
    • Initialisatie
  4. Wat voor soort grafiekstructuur vormt een Seldon-inferentiegrafiek?
    • Een cyclisch netwerk
    • Een platte lijst
    • Alleen een binaire boom
    • Een gerichte acyclische grafiek (DAG)
  5. Welke server en welk protocol maken in Seldon Core v2 multi-model-serving over de hele grafiek mogelijk?
    • MMLServer en het Open Inference Protocol
    • Alleen TensorFlow Serving en gRPC
    • Nginx en RUST
    • Spark en Parket
  6. In the Seldon Core 1 Router documentation, what can shift traffic toward better-performing models over time?
    • Nightly retraining only
    • A multi-armed bandit using live reward signals
    • Increasing the pod CPU limit
    • Caching every response
  7. Which Seldon graph component can preprocess a request or postprocess a model response?
    • Combineer
    • Router
    • Transformator
    • Explainer
  8. Which description of Seldon Core 2 observability is accurate?
    • Metrics, tracing and payload logging are all automatically enabled for every REST/gRPC prediction
    • It provides only GPU metrics and no tracing
    • Payload logging always stores every model request in a local file
    • Metrics are exposed; tracing requires configuration, and payload logging is limited to configured Kafka-backed pipeline paths